| 摘要 | 第4-5页 |
| ABSTRACT | 第5页 |
| 第一章 绪论 | 第8-17页 |
| 1.1 研究背景及意义 | 第8-10页 |
| 1.2 风电、光伏出力国内外研究现状 | 第10-16页 |
| 1.2.1 风电出力预测技术国内外研究现状 | 第10-14页 |
| 1.2.2 光伏出力预测技术国内外发展现状 | 第14-16页 |
| 1.3 本文主要工作 | 第16-17页 |
| 第二章 EMD 及其改进算法介绍 | 第17-23页 |
| 2.1 经验模态分解 EMD 算法 | 第17-19页 |
| 2.2 掩模信号法 | 第19-21页 |
| 2.3 全局经验模态分解 EEMD | 第21-22页 |
| 2.4 本章小结 | 第22-23页 |
| 第三章 基于 EEMD 的短期风速组合预测 | 第23-43页 |
| 3.1 风速与风机出力的关系 | 第23-25页 |
| 3.2 GA-BP 神经网络算法介绍 | 第25-29页 |
| 3.2.1 传统 BP 神经网络 | 第25-27页 |
| 3.2.2 神经网络与遗传优化算法结合 | 第27-29页 |
| 3.3 支持向量机 SVM 算法介绍 | 第29-33页 |
| 3.3.1 SVM 算法综述 | 第29-30页 |
| 3.3.2 机器学习的本质 | 第30-33页 |
| 3.4 基于 EEMD 的组合预测模型 | 第33-34页 |
| 3.5 算例及结果分析 | 第34-41页 |
| 3.6 本章小结 | 第41-43页 |
| 第四章 基于 EEMD 与 ELM 神经网络的光伏出力预测 | 第43-56页 |
| 4.1 辐照量与光伏出力的关系 | 第43页 |
| 4.2 相似日逐时辐照量时间序列构成原理 | 第43-46页 |
| 4.2.1 影响辐照量的因素分析 | 第43-45页 |
| 4.2.2 相似日的选取原理 | 第45-46页 |
| 4.3 ELM 神经网络介绍 | 第46-48页 |
| 4.4 EEMD+ELM 组合预测模型 | 第48-49页 |
| 4.5 算例及结果分析 | 第49-55页 |
| 4.5.1 ELM 神经网络预测效果分析 | 第49-52页 |
| 4.5.2 EEMD 和 ELM 组合预测效果分析 | 第52-55页 |
| 4.6 本章小结 | 第55-56页 |
| 第五章 结论与展望 | 第56-58页 |
| 5.1 结论 | 第56页 |
| 5.2 展望 | 第56-58页 |
| 参考文献 | 第58-62页 |
| 论文发表及参加科研情况说明 | 第62-63页 |
| 致谢 | 第63页 |